针对许多领域中普遍存在的非平稳多元时间序列的建模处理问题,提出了LASSO向量自回归模型的递推在线拟合方法,利用遗忘指数来实现模型的动态变化,并用循环坐标下降算法在线的对向量自回归模型进行系数估计。为证明模型的有效性,将其应用于风电场风电功率的预测,并以传统的向量自回归模型和分层向量自回归模型作为比较基准。根据实验结果表明,在线自适应LASSO向量自回归模型的预测精度高于传统的批量模型,通过系数矩阵图也可以看出,预测风电场临近的风电场对预测点存在一定程度的影响,但自身影响是最大的。将递归在线估计与LASSO向量自回归模型的结合应用于风电功率的预测,对于提高风电功率的预测精度以及改善风电系统工作效率有重要意义。其他模型分别是不同程度的虚线。从图3知自适应LASSO-VAＲ模型的预测结果优于LASSO-VAＲ模型和HVAＲ模型。LASSO-VAＲ本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name模型和HVAＲ模型的预测结果几乎处于平稳状态模型的风电功率预测-数控滚圆机滚弧机折弯机张家港电动滚圆机滚弧机折弯机，某个时间点后无任何变化，自适应LASSO-VAＲ模型与真实值非常接近，说明时间序列不是完全平稳的，自适应LASSO-VAＲ模型对于非平稳时间序列达到了比较理想的预测效果。以上结果说明自适应LASSO-VAＲ模型用在风电功率的预测中是可行的方案选择，但预测结果较真实值仍存在误差，下文将对影响预测性能的因素进一步研究。图3澳大利亚数据集的1步向前预测结果Fig实验二:根据实验一的结果进行模型预测的准确性和持久性分析。由于风电功率自身的波动性和随机性，预测误差不可避免，误差越低准确性就越高，对电力市场的实用性就越大。下面将对滞后数大小和训练数据长度对预测精度的影响进行讨论，同样加入VAＲ模型、LASSO-VAＲ模型和HVAＲ模型作对比，采用ＲMSE和MAE来衡量预测的准确性和持久性。自适应LASSO-VAＲ模型在进行预测之前，分别在不同滞后数和不同数据长度下进行训练，两种条件:1)滞后数分别为1、2、3、4，数据长度为2016年1月的时间步长;2)数据长度分别为500、1000、4000、8000、12000，滞后数设为1。求解上述两种条件下22个风电场自适应LASSO-VAＲ模型的预测结果，结果如表1、2所示。表1、2显示了滞后数和训练数据长度的具体定量分析。表1是在相同数据长度的条件下，不同滞后数预测结果以及与真实值的误差。表中数据显示? 模型的风电功率预测-数控滚圆机滚弧机折弯机张家港电动滚圆机滚弧机折弯机本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name